揭秘AI背后的神秘代码 - Token究竟是什么？ * { margin: 0; padding: 0; outline: 0; } body { font-family: “PingFang SC”, system-ui, -apple-system, BlinkMacSystemFont, “Helvetica Neue”, “Hiragino Sans GB”, “Microsoft YaHei UI”, “Microsoft YaHei”, Arial, sans-serif; line-height: 1.6; } .__page_content__ { max-width: 667px; margin: 0 auto; padding: 20px; text-size-adjust: 100%; color: rgba(0, 0, 0, 0.9); padding-bottom: 64px; } .title { user-select: text; font-size: 22px; line-height: 1.4; margin-bottom: 14px; font-weight: 500; } .__meta__ { color: rgba(0, 0, 0, 0.3); font-size: 15px; line-height: 20px; hyphens: auto; word-break: break-word; margin-bottom: 50px; } .__meta__ .nick_name { color: 576B95; } .__meta__ .copyright { color: rgba(0, 0, 0, 0.3); background-color: rgba(0, 0, 0, 0.05); padding: 0 4px; margin: 0 10px 10px 0; } blockquote.source { padding: 10px; margin: 30px 0; border-left: 5px solid ccc; color: #333; font-style: italic; word-wrap: break-word; } blockquote.source a { cursor: pointer; text-decoration: underline; } .item_show_type_0 > section { margin-top: 0; margin-bottom: 24px; } a { color: 576B95; text-decoration: none; cursor: default; } .text_content { margin-bottom: 50px; user-select: text; font-size: 17px; white-space: pre-wrap; word-wrap: break-word; line-height: 28px; hyphens: auto; } .picture_content .picture_item { margin-bottom: 30px; } .picture_content .picture_item .picture_item_label { text-align: center; } img { max-width: 100%; } .pay_subscribe_notice { margin: 30px 0; padding: 20px; background: fffbe6; border: 1px solid ffe58f; border-radius: 8px; } .pay_subscribe_badge { display: inline-block; padding: 4px 12px; background: faad14; color: fff; border-radius: 4px; font-size: 14px; font-weight: 500; margin-bottom: 12px; } .pay_subscribe_desc { font-size: 15px; line-height: 1.8; color: rgba(0, 0, 0, 0.7); margin-bottom: 12px; } .pay_subscribe_hint { font-size: 13px; color: rgba(0, 0, 0, 0.4); } .__bottom-bar__ { display: flex; justify-content: space-between; align-items: center; position: fixed; bottom: 0; left: 0; right: 0; height: 64px; padding: 8px 20px; background: white; box-sizing: border-box; border-top: 1px solid rgba(0, 0, 0, 0.2); } .__bottom-bar__ .left { display: flex; align-items: center; font-size: 15px; white-space: nowrap; } .__bottom-bar__ .right { display: flex; } .__bottom-bar__ .sns_opr_btn { display: flex; align-items: center; user-select: none; background: transparent; border: 0; color: rgba(0, 0, 0, 0.9); font-size: 14px; } .__bottom-bar__ .sns_opr_btn:not(:last-child) { margin-right: 16px; } .__bottom-bar__ .sns_opr_btn > img { margin-right: 4px; }

揭秘AI背后的神秘代码 - Token究竟是什么？

原创 数字生命卡兹克 数字生命卡兹克 2023-06-16 11:58 天津

原文地址: https://mp.weixin.qq.com/s/Fzgg265eBepLpYIS-ZWImA

前两天，OpenAI来了个大活，更新了函数和GPT3.5的16K版本。

函数不具体说了了，对Langchain和想做API调度中台的是一锤子暴击。

重点说说GPT3.5的16K Token版本。

正好作为一个伪科普作者，也想借这个机会，给大家用大白话简单科普一下到底什么是Token，为什么想提高Token的上限这么难。

先说一下16k的价值。

众所周知，旧有的3.5是4096Token，我们在做开发时，无数的地方受制于这个4096Token。

比如说，用户对着我们韭圈儿AI发了一句话：

“帮我挑选5只去年收益排名在前20%，且最新季度持仓不含白酒的消费类基金，并全部加到我的自选，然后做一个等权组合，生成一个组合诊断分析报告。”

我们一共有100个左右的API，比如查询收益、查询持仓行业占比、筛选基金、构建组合、组合诊断、加自选是分别不同的API，我们会让GPT自主挑选使用什么API来处理这个用户的问题。

而受制于4096，我们一次对话大概只能灌30个左右的API给GPT，另外70个API会丢失，这肯定不能这么任性瞎搞。

所以我们会同时开4个对话进行并发，最后把挑选的API合并在一起，但是大模型吗，你懂的，可靠性并不总是那么强，特别是4个对话并发最后合并，那特么就更麻烦了。。。所以我们又需要额外的做数据提取再合并等等。。。

**而现在，有16K，还并发还合并还提取个屁。
**

一个对话窗口全部解决。省了无数的心。

同时，推理能力也比3.5强几个量级，直观感受可能叫GPT3.75更为合适。价格也仅仅只比GPT3.5贵一倍，相当香了。

回到4k和16K上，为什么16K比4K难做的多，导致以OpenAI的技术，也现在才放出来16K的3.5版本？而Token到底又是个啥呢？

我先浅显易懂的解释一下到底什么是Token。

在自然语言处理和计算机科学中，“Token”是一个非常基本的概念。

简单来说，一个Token可以看作是数据的一个单元。

在自然语言处理中，Token最常见的定义是一个语言的基本组成单元，如单词、字、甚至是标点符号。

当我们要让机器理解和生成自然语言时，首先需要进行的就是“分词”（Tokenization），即将连续的文本划分成一个个Token。

我们可以用一个有趣的测试来证明字和Token的区别。

比如，我要将“卡兹克今晚要去按摩然后吃炸鸡”这句话倒写。

正常来讲人类语言应该是：

“鸡炸吃后然摩按去要晚今克兹卡”

但是对于计算机，用Token来处理就是：

完全就可以发现，一个字可能是token，一个词组也可能是token。

Token，就是机器所理解的数据单元。

明白了Token，我们再来回答另一个问题，为什么16K的Token版本比4K难做的多。

我用一个有趣的例子来解释。

派对。

假设你正在举办一个盛大的派对，你邀请了4000位宾客（这就是我们的4K，同时为了方便计算，后面4k=4000,16k=16000）。

你要尽量确保每个人都有人陪伴，所以你要安排每个宾客和其他所有的宾客都至少打个招呼。你能感觉到这是个挺大的工程，对吧？

现在，试想一下，如果你的派对规模翻了4倍，你邀请了16000位宾客（也就是我们的16K）。你仍然希望每个人都被照顾，所以你又要让每个宾客和其他所有的宾客打招呼。

你能想象到这是多恐怖的工程吗？

这就是处理16K的Token比处理4K的Token难得多的原因。

在大模型的核心算法Transformer中，这种“打招呼”叫做注意力计算（attention calculation）。

在注意力机制中，每个Token都需要与其他所有Token进行一次计算。这就意味着，当Token的数量增加，需要进行的计算就会呈平方级增长。

对于4K的Token，我们需要进行大约**16百万次（4000乘以4000）**的注意力计算。

而对于16K的Token，我们需要进行大约**256亿次（16000乘以16000）**的注意力计算。

这就是为什么16k比4k难做的多的原因，同理，32K，那就更恐怖了。

希望我的这篇文章，能让大家明白一些大模型背后简单的原理。

最后。

让我们向每一个参与这场科技盛宴的开发者，研究者，创新者致敬。

他们改变了寻常事物。他们推动着人类前进。

我相信，他们，才能够真正的改变世界。

以上，既然看到这里了，如果觉得不错，随手点个赞和“在看”吧，感恩。

数字生命卡兹克

 阅读 赞  分享 ‘%3E %3Cg transform=‘translate(0 -2.349)‘%3E %3Cpath d=‘M0 2.349h24v24H0z’/%3E %3Cpath fill=‘%23576B95’ d=‘M16.45 7.68c-.954 0-1.94.362-2.77 1.113l-1.676 1.676-1.853-1.838a3.787 3.787 0 0 0-2.63-.971 3.785 3.785 0 0 0-2.596 1.112 3.786 3.786 0 0 0-1.113 2.687c0 .97.368 1.938 1.105 2.679l7.082 6.527 7.226-6.678a3.787 3.787 0 0 0 .962-2.618 3.785 3.785 0 0 0-1.112-2.597A3.687 3.687 0 0 0 16.45 7.68zm3.473.243a4.985 4.985 0 0 1 1.464 3.418 4.98 4.98 0 0 1-1.29 3.47l-.017.02-7.47 6.903a.9.9 0 0 1-1.22 0l-7.305-6.73-.008-.01a4.986 4.986 0 0 1-1.465-3.535c0-1.279.488-2.56 1.465-3.536A4.985 4.985 0 0 1 7.494 6.46c1.24-.029 2.49.4 3.472 1.29l.01.01L12 8.774l.851-.85.01-.01c1.046-.951 2.322-1.434 3.59-1.434 1.273 0 2.52.49 3.472 1.442z’/%3E %3C/g%3E %3C/g%3E %3C/g%3E%3C/svg%3E) 推荐 ’ fill=‘%23000’ fill-opacity=’.9’/%3E%3C/svg%3E) 留言